Hlavní cíl projektu
Zavedení eZdravotnictví v ČR, jehož cílem je zvýšení kvality a efektivnosti poskytované zdravotní péče obyvatelům ČR.
Zdůvodnění projektu
Základním prvkem poskytování zdravotní péče v ČR jsou zdravotní systémy krajů, které zabezpečují primární péče (základní síť praktických lékařů), odbornou (ambulantní zařízení) i nemocniční péči (krajské nemocnice).
Krajské sítě zdravotnických zařízení jsou doplněny síti státních zdravotních zařízeních, které pro jednotlivé kraje (regiony) zabezpečují vysoce specifické zdravotní služby (státní nemocnice a zdravotní ústavy)
Kraj, jako územně správní útvar, tvoří svoji zdravotní politiku, která jednak musí reflektovat zdravotní politiku státu a jednak musí vycházet z regionálních potřeb.
Hlavním úkolem kraje je zajistit potřebnou dostupnou zdravotní péči jejich obyvatelům, dohlížet na její kvalitu a efektivitu, což vyžaduje operativní vyhodnocování informací o obyvatelstvu a jeho potřebách, stejně jako monitorování sítě zdravotních zařízení, sledování rovnoměrnosti rozložení kapacit a spektra poskytovaných služeb v jednotlivých medicínských odbornostech, sledování vytíženosti sítě, případně iniciování rušení nevyužitých a vzniku nových odborností či zařízení.
Návrh řešení projektu
Základem elektronizace zdravotnictví je vytváření zdravotní dokumentace pacientů elektronickou, digitalizovanou a/nebo mobilní cestou, tj. bez nutnosti opakovaného ručního vkládání výsledků vyšetření do počítačů lékařů. Jinak řečeno, elektronizace zdravotnictví je především o komunikaci mezi lékaři.
V systému Open eHealth 21 se zakódovaný požadavek na vyšetření nebo jinou zdravotní službu přenáší směrem od lékaře k dalším subjektům na dokladech nebo přes mobilní telefon pacienta v čárovém kódu nebo po internetu ve znakové formě.
V zakódované části může být podle kapacity přenosového média zakódován celý obsah, vč. identifikačních údajů (recept na léky, kdy lékař nutně nepotřebuje zpětnou vazbu) nebo jen identifikační údaje lékaře, pacienta, způsobu předání výsledků a pod., jako neopakovatelný komunikační identifikátor, ke kterému se připojí otevřené údaje pacienta bez jeho jména, adresy nebo rodného čísla (žádanka na laboratorní vyšetření, žádanka na zobrazovací složky, textové zprávy), které mohou být rovněž zakódované a to celé, příp. jen některé části.
Výsledky vyšetření a nálezů se přenášejí zpět k lékaři nejlépe po internetu přímo nebo nepřímo přes některé přeposílací úložiště nálezů dle volby lékaře, na dokladech nebo přes mobilní telefon s původním identifikátorem v čárovém kódu a s otevřeným nebo zakódovaným výsledkem. Po spárování obou identifikátorů v počítači lékaře se spáruje i požadavek s výsledkem bez nutnosti jeho vkládání do počítače. Výsledky vyšetření se zanonymizovaným identifikačním údajem pacienta pak mohou být ukládány do specializovaných databází.
Kódování a dekódování probíhá na mikroprocesorech (čipech) lékařů a dalších subjektů velikosti flash paměti, chráněných PINem vlastníka, přičemž čip obsahuje neopakovatelný vnitřní identifikátor od výrobce, kterým je jeho vlastník v systému jednoznačně identifikován.
Systém je nezávislý na operačních systémech a přenosových standardech (Dasta, HL7 apod.) a plně vyhovuje Nařízení EP a Rady (EU) 2016/679 o ochraně fyzických osob v souvislosti se zpracováváním osobních údajů (GDPR).
Nosnou základnou Open eHealth 21 budou eHealth 21 systémy jednotlivých krajů uchovávající umožňující přístup lékařů k důležitým zdravotním záznamům pacientů a nad touto základnou bude vybudována manažerská základna pro efektivní řízení zdravotního systému.
Základním prvkem navrhovaného řešení bude systémem Tramis, autorsky chráněný patentem CZ 305228, umožňující přenosy dat mezi počítačovými systémy zdravotnických subjektů vedle stávající alfanumerické formy i formou čárového kódu uváděného přímo na dokladech.
Základem Tramisu jsou programové moduly pro kódování a dekódování údajů přenášených v čárovém kódu, umístěné na mikroprocesoru velikosti flash paměti, snadno připojitelném přes USB konektor k počítači lékaře, lékárny, laboratoře atd. s nepatrně upraveným hostitelským SW, přičemž použité řešení zajišťuje přenos obsahu dokladu, např. receptu, který je díky své zakódovanosti současně neopakovatelným Identifikátorem dokladu. Tisk čárového kódu může být prováděn na jakékoliv tiskárně a snímán kterýmkoliv snímačem čárového kódu.
Základem eHealth 21 kraje jsou 4 části zdravotní dokumentace pacienta (lékařské zprávy, PACS informace, lékové záznamy, žádanky na vyšetření), mezi kterými bude komunikace probíhat systémově stejným způsobem jako v systému Preskripce mezi lékařem, lékárnou a ÚLZP. (popsáno níže)
ED je nástroj typu DMS ( Document Management System ) pro správu elektronických dokumentů, které jsou určeny pro centralizovanou správu dokumentů. Zajišťují bezpečné uložení dokumentů ve společném úložišti, dosažitelnost dokumentů všem oprávněným uživatelům, individuální přístup k dokumentům na základě přístupových práv, společnou práci s dokumentem, verzování, sledování historie dokumentu, organizování / vyhledávání dokumentů dle klíčových údajů v registračním štítku, seskupování dokumentů do složek.
ED je webovská aplikace pracující s různými typy elektronických dokumentů, jako rengenové nebo podobné snímky, fotografie, videosekvence, wordovské a excelovské dokumenty, powerpointové prezentace, umožňující dle potřeb a požadavků uživatelů vytvářet elektronické složky. V těchto složkách je pak systematickým způsobem udržován přehled např. o uložených dokumentech konkrétního pacienta, vyšetřeních týkajících se daných diagnóz atd.
Propojení s obrazovými informacemi systému PACS může být realizováno hyperlinkem, který předává klíčové údaje, především ID pacienta, podle nichž systém ED vybere všechny dokumenty vyhovující zadaným údajům a nabídne jejich seznam. Ze seznamu lze vybrat kterýkoliv dokument a zobrazit jej, případně jej doplnit nebo upravit. Lze zúžit/změnit výběr dokumentů přidáním/změnou klíčových údajů.
ED má propracovaný systém rolí a práv, umožňující individuální nastavení přístupových práv k dokumentům i složkám pro osoby a role. Lékař má tak možnost zpřístupnit či znepřístupnit jak dokument, tak složky v rámci ED ostatním uživatelům.
ED bude centrálním modulem eHealth 21 kraje, který bude uchovávat historická i aktuální data pacienta. Bude integrován s úložištěm PACS informací i úložištěm lékových záznamů a v reálném čase poskytne ošetřujícímu lékaři komplexní informace o ošetřovaném pacientovi.
Cílem optimalizace provozních a režijních nákladů zdravotnických zařízení je sladit odborné požadavky kladené na vysoce specializovanou zdravotní péči s ekonomickými aspekty této péče tak, aby hospodaření nemocnice jako celku bylo vyrovnané.
Řešení tohoto problému vyžaduje v reálném sledovat příjmy i výdaje probíhající v jednotlivých nákladových střediscích (primariátech a odděleních či pracovištích hospodářsko - technických služeb).
MIS je schopen analyzovat data z různých zdrojů, různého formátu, významu a objemu. Systém bude tato data zpracovávat v rozumném čase a umožní uživateli orientaci ve „svých datech v pojmech". Uživatel - specialista z oblasti zdravotnictví nepotřebuje znát detaily, ale vhodně agregované informace vycházející z operačních dat. Potřebuje nástroje, které mu umožní analyzovat data na různé úrovni podrobnosti, z různých pohledů a dle jeho okamžitých potřeb, aniž by saturace těchto potřeb byla závislá na dodavateli informačního systému.
Přirozeným řešením je aplikace typu DSS (Decision Support Systems), postavená na technologii DW (data warehouse). Tato technologie se liší od běžných (transakčních) systémů, které jsou zaměřeny na optimalizaci a údržbu modelu současného stavu reálného světa, zatímco aplikace typu DSS dává uživateli možnost analyzovat více stavů světa z různých pohledů, aniž by je měnil. Adekvátními prostředky jsou nástroje pro multidimenzionální analýzu, kde světovým standardem jsou nástroje, např. firmy MicroStrategy, Oracle nebo Microsoft.
Z hlediska optimalizace nákladů na vybudování a provozování MIS navrhujeme využít nástroje Microsoft.
Datový sklad Manažerský informační systém (MIS) je naplněn anonymizovanými daty z reálného zdravotního prostředí, obsahující potřebná data z nemocničního informačního systému (NIS) a ekonomického informačního systému (EKIS) i dalších informačních systémů nemocnice (např. personální IS), který umožní vedení nemocnice (ředitel a náměstci) koordinovat návaznosti všech činností a vytvořit dynamický systém s prvky autoregulace.
Tato data jsou uložená v databázovém systému SQL Server 2017.
Základem aplikace MIS je analytický nástroj Analysis Services 2017 s architekturu MOLAP, reportovací nástroj poskytuje Reporting Services 2017, vývojové prostředí poskytuje Visual Studio 2017 a internetový server sestav poskytuje Reporting Services Web portal 2017.
Lékař se přes internetový prohlížeč připojí do prostředí Reporting Services Web portal 2017, které mu poskytuje sadu manažerských reportů. Tady si z parametrických nabídek vytvoří detailní analytické pohledy na data pacienta. Vestavěné funkce umožňují export takto připravených reportů do formátů Word, Excel nebo PDF.
Technologie MOLAP lékaři umožňuje používat funkci drill down, kde předem připravené struktury umožňují drill na detailní hodnoty v oblastí diagnóz, léků a lékařských výkonů.
V databázovém systému SQL Server 2017 je vytvořen také projekt strojového učení s názvem Length of stay (Délka pobytu), který ukazuje možnosti jazyka R v tomto prostředí.
Managementy nemocnic nebo kraje svými zásahy na základě výsledků rozborových činností, které umožňuje MIS, a na základě znalosti dopadů legislativních opatření v cenách zdravotní péče, mohou optimalizovat činnosti jednotlivých útvarů a návaznosti těchto činností tak, aby bylo dosaženo minimálně vyrovnaných hospodářských výsledků, např. pomáhá odhadnout na základě hodnot ze vstupního vyšetření předpokládanou dobu pobytu pacienta v lékařském zařízení. Na základě této informace může vedoucí lékař účinně plánovat ošetřující personál, lůžkovou kapacitu, léky a stravu, což má veliký ekonomický přínos.
Rozvoj jednotlivých odborností je předpokladem kvalitní vysoce specializované zdravotní péče. Je však vždy podmíněn ekonomickými výsledky hospodaření nemocnice. Zajištěním tohoto rozvoje si nemocnice vytváří předpoklady k zvýšení své prestiže. Zvýšení prestiže a rozšíření společenského zázemí umožní získávat další finanční prostředky prostřednictvím
spolupráce na různých grantech v rámci domácích grantových agentur i v rámci mezinárodní spolupráce.
Centrální úložiště PACS informací kraje přispěje ke zrychlení vzájemného sdílení výsledků vyšetření mezi jednotlivými nemocnicemi a umožní také zpřesnění diagnostického procesu u pacientů, především v možnosti porovnávat nové nálezy s dalšími, pořízenými v minulosti na jiných pracovištích. U pacientů je přínosem eliminace možnosti duplicitních vyšetření ve více zdravotnických zařízení, což vede jak k úspoře nákladů na straně zdravotnického zařízení, tak k ochraně zdraví na straně pacienta, například z důvodu snížení ozáření při opakovaných.
Navrhujeme využít centrálního úložiště PACS informací provozovaného Ústavem výpočetní techniky Masarykovy university (ÚVT)
UVT Masarykovy university spolupracuje od roku 1999 s řadou nemocnic v zavádění informačních a komunikačních technologií v oblasti pořizování, přenosu, dlouhodobé archivace a zobrazování digitálních medicínských obrazových informací. Spolupráce představuje řadu koordinovaných aktivit a projektů, které vedly k vybudování rozsáhlého archivu medicínských obrazových informací a jejich zpřístupnění prostřednictvím počítačové sítě. Informace se získávají v běžném provozu z diagnostických zařízení, jako např. ultrazvuku, digitálního mamograuf, magnetická rezonance, CT, RTG a řady dalších. Projekt MeDiMed vytváří podmínky k co nejširšímu zpřístupnění a výměně těchto medicínských obrazových dat, která vznikají nebo již existují, avšak zatím se využívají pouze v omezeném rozsahu nebo pouze krátkodobě (bez archivace), a to s využitím stávajících prostředků a vybavení zdravotnických zařízení
Výměna medicínských obrazových informací mezi zdravotnickými zařízeními (Radiologické komunikační centrum - ReDiMed)
ReDiMed je systém určený pro přenos obrazové dokumentace pacientů mezi zdravotnickými zařízeními. Systém umožňuje posílání snímků a popisů vyšetření ve formátu DICOM (Digital Imaging and Communacition in Medicine). K posílaným snímkům je možné navíc přiložit libovolné další soubory (např. dokumenty, prezentace).
Systémem je zabezpečena správa přenosu a garance, že přenášené údaje nebudou na centrálním serveru ReDiMed smazány dříve, než budou úspěšně přijaty a dekódovány u adresáta. Přenos na server nebo ze něj je obnovitelný. To znamená, že po případném dočasném přerušení internetového připojení je spojení obnoveno a přenos pokračuje tam, kde byl přerušen. V případě krátkodobých výpadků spojení je přenos obnoven bez zásahu uživatele. Přenášená data se automaticky bezeztrátově komprimují, čímž se ušetří až 50% přeneseného objemu.
Přenos je chráněn asymetrickým šifrováním, to znamená, že údaje dokáže rozšifrovat jen adresát. Jakékoliv informace o pacientech není možné získat ani v případě odposlechu síťové komunikace nebo útoku na centrální server ReDiMed, protože přenášené údaje a snímky se rozšifrují až u adresáta. Autenticita přenášených dat je ověřována prostřednictvím digitálních podpisů, čímž se vyloučí posílání a příjem podvrhů. Na serveru je udržována databáze autorizovaných klientů a jedině jim je umožněn přístup k datovým schránkám.
V centrálním celostátním Datovém skladu budou integrována všechna dat uložená v jednotlivých datových skladech krajů včetně vybraných datových zdrojů státních zdravotnických zařízeních.
Přirozeným řešením NZMIS je aplikace typu Business Inteligence (BI Systems), postavená na technologii centrálního datového úložiště typu „Data Lake". Tato technologie se liší od běžných (transakčních) systémů, které jsou zaměřeny na optimalizaci a údržbu modelu současného stavu reálného světa, zatímco aplikace typu BI dává uživateli možnost analyzovat více stavů světa z různých pohledů, aniž by je měnil. Adekvátními prostředky jsou nástroje pro multidimenzionální analýzu – analytickou platformou na bázi technologie cloud.
Podobný manažerský systém byl vybudován a je nasazován na obdobné aplikace v USA. Příkladem je nasazeni technologie firmy Inzata, LLC a jeho testování na největším aktivním Analytickém Datamartu s daty o 60 mil aktivních pojištěnců.
Disease Profiling identifikuje příležitosti případů vhodné speciální léčebné režimy (tzv. "care management"). Tato metoda se uplatňuje při snížení nákladovosti speciálně u chronických nemocí.
Provider Profiling umožňuje porovnávat a analyzovat jednotlivé poskytovatele při respektování vážnosti onemocnění jejich jednotlivých pacientů (tzv. "risk adjusted at severity"), čerpání finančních zdrojů na jejich léčení v rámci dané kategorie pacientů a rovněž jejich způsobu léčby daného onemocnění (tz. "treatment pattern analysis").
Survival analysis – analýza pravděpodobnosti přežití a čerpání finančních nároků na léčbu pro plánování zdrojů – rozpočtování finančně náročných případů
Epidemiologické Studie – umožňuje analyzovat a) rizikově nastavenou ("risk adjusted") nemocniční úmrtnost, b) risikově nastavenou délku pobytu v nemocnici ("risk-adjusted length of stay") a nákladovost léčení systémem kalkulovaných nákladů
Model analýzy délky pobytu – obecné lineární modely se využívají k predikci délky hospitalizačního pobytu na individuální bázi. Model poskytuje data I předpokládané nákladovosti pobytu separátně pro dané kategorie pacientů reflektující vážnost jejich onemocnění ("risk adjusted basis").
Model průměrné nákladovosti hospitalizačního pobytu – ("Average Charge per Stay Model"). Celkové náklady na úrovni průměrného pacienta jsou vyloučeny z modelu výpočtu průměrného nákladu. Tato metodika pro vymezení anomálních případů ("outlier charges") je založena na určení horní a spodní hranice pro identifikace anomálního případu k další individuální analýze. Case Mix Index dané nemocnice je využit jako prostředek k nastavení její limitu nákladovosti podle počtu pacientů v každé DRG kategorii.
Analýza Nemocnosti ("Disease Management / Outcome Analysis") – Většina nemocí jsou ve své podstatě multifaktoriální a je nutné při analýze příčinnosti a souvislostí studovat vliv jednotlivých faktorů odděleně. Matematicky a statisticky se jedná o vytvoření modelu vystihující vztah mezi jednotlivými proměnnými ovlivňující výskyt a nákladovost léčení určitých diagnóz. Výsledný model rovněž umožňuje predikovat náklad popř. výskyt dané diagnózy.
Firma DCB chápe jako nejperspektivnější technologii v oblasti umělé inteligence nejen strojové učení, které je pro některé činnosti v současné době využíváno, ale zejména tzv. hluboké učení, které umožňuje dosáhnout vynikajících výsledků především při práci s obrazy a bude v příštích letech dominovat všem oborům lidské činnosti. Vzhledem k možnostem této technologie a výhodné situaci v Brně DCB navrhlo vytvoření "Centra umělé inteligence ve zdravotnictví" pro oblast onkologie a neurologie, které by se mělo stát ekosystémem hlubokého učení ve zdravotnictví.
Technologie hlubokého učení při diagnostice nemocí na základě klasifikace radiologických nebo patologických obrazů prokázala výkon, který se rovná nebo překračuje výkon klinických odborníků. Hluboké učení se rozhoduje prostřednictvím umělé neuronové sítě, která působí velmi podobně jako lidský mozek a analyzuje data ve struktuře stejně jako lidé.
Účel projektu
Účelem projektu je vybudovat v Brně centrum, které bude rozvíjet využití metod a nástrojů umělé inteligence pro různé oblasti života společnosti.
Cíle projektu
V první fázi bude cílem využití umělé inteligence při vyhodnocování biomedicínských grafických dat s cílem dosažení vyšší kvality, rychlosti i efektivity diagnostických postupů a tím i zefektivnění léčebných procesů. V dalších fázích bude centrum rozšiřovat svoje zaměření do dalších oblastí i mimo zdravotnictví.
PET/CT a hluboké učení
Včasná detekce a automatizovaná klasifikace pomocí pozitronové emisní tomografie doplněná počítačovou tomografií vyhodnocovaná prostředky hlubokého učení.
Pozitronová emisní tomografie (dále jen PET) používá radiofarmaka, která obsahují jeden nebo více atomů radionuklidu s velmi krátkým poločasem rozpadu. Radiofarmakum je pacientovi podáno před vyšetřením. Radionuklid v molekule radiofarmaka má své charakteristiky jako poločas rozpadu, energie záření a charakter záření. Nosná sloučenina, na kterou je radionuklid navázán je zvolena podle charakteru vyšetřovaného orgánu a předpokládané nemoci. PET tedy nezobrazuje ani tak anatomickou strukturu, jako spíše ochotu konkrétní tkáně vychytávat příslušné radiofarmakum. V dnešní době je metoda kombinována s počítačovou tomografií (dále jen CT), což je diagnostická zobrazovací metoda spojující vyšetření PET/CT. Získané obrazy obsahují jak informaci o metabolické aktivitě tkání, tak i podrobnou informaci o anatomické stavbě. Tady se ukazuje veliká výhoda PET před magnetickou rezonancí, která zobrazuje jen velikost nádoru, zatímco PET umožňuje podle radioaktivity stanovit také aktivitu nádoru a tak stanovit např. účinnost chemoterapie.
Konkrétní funkce pro analýzu lékařských obrazů představuje open-source (nic se nevyvíjí, nic se neprezentuje, nic se neobhajuje) platforma NiftyNet pro hluboké učení v lékařských zobrazovacích technikách. Ambicí NiftyNet je urychlit a zjednodušit vývoj těchto řešení a poskytnout společný mechanismus šíření výstupů výzkumu pro komunitu, aby je mohla využívat, přizpůsobovat a stavět na nich. Metody NiftyNet poskytují modulární systém hlubokého učení pro řadu lékařských zobrazovacích aplikací, včetně segmentace, regrese, generování obrázků a výukových aplikací. Komponenty řešení NiftyNet včetně načítání dat, rozšiřování dat, síťových architektur, ztrátových funkcí a vyhodnocovacích metrik jsou přizpůsobeny a využívají výjimečnosti analýzy lékařských obrazů a zásahů pomocí počítače. NiftyNet je postaven na rámci TensorFlow a ve výchozím nastavení podporuje funkce, jako je vizualizace 2D a 3D obrazů TensorBoard a výpočetní grafy.
Tři ilustrativní aplikace pro analýzu lékařských obrazů vytvořené pomocí infrastruktury NiftyNet jsou:
Projekt sémantická segmentace histologických obrazů je příkladem metody hlubokého učení v oblasti počítačového vidění, který zlepší diagnostickou přesnost a sníží pracovní zátěž radiologů, patologů a lékařů, kteří mohou být ovlivněni únavou nebo různou úrovní praxe.
Sémantická segmentace znamená, že každý pixel v obraze má stanovenou barvu, ke které je přiřazen konkrétní histologický typ tkáně. Provádíme sémantickou segmentaci histologické tkáně morfologického a funkčního typu.
Barevnými mapami se snažíme určit předem neznámé histologické typy tkáně. Predikce histologických tkáňových typů na úrovni pixelů usnadňuje další analýzu podle tvaru a textury, což může pomoci stanovit diagnózu. Odborník z těchto barevných map určuje histologické typy tkáně, zpočátku podle barevných vzorníků (legend), které jsou v příloze projektu, později jen podle naučené zkušenosti.
Projekt sémantická segmentace histologických obrazů metodou hlubokého učení je napsaný v jazyce python a používá funkce z knihoven pandas, matplotlib, numpy a tensorflow.
Vstupní data zde představuje obraz histologické tkáně.
Výstupními daty jsou:
Přesnost metody určujeme porovnáním výstupních obrazů s obrazy tzv. pozemní pravdy a jejich překrytí vyčíslujeme jako hodnotu Jaccardova indexu nebo hodnotu IoU metriky.
Perspektivy dalšího rozvoje:
Optimalizací modelu a jeho dalším učením zlepšovat přesnost sémantické segmentace histologické tkáně. Barevné vzorníky (legendy) pro určování sémantické segmentace histologické tkáně nahradit intuitivním písemným popisem nebo hlasovým komentářem.
Projekt normalizace histologických obrazů je příkladem metody hlubokého učení v oblasti počítačového vidění, která zlepší hodnocení histologických vzorků tkání, zejména v onkologii. Buněčná heterogenita a složitá tkáňová architektura většiny vzorků nádorů je hlavní překážkou v obrazové analýze na standardních tkáňových řezech. Tento problém řeší barvení buněčných struktur, které se provádí v histologických laboratořích a odborníkům poskytuje velmi detailní pohled na histologickou tkáň. Jedná se o barevné skvrny používané na tkáňových vzorcích, aby byly lépe viditelné pod mikroskopem.
Nejčastěji používanými barevnými skvrnami v histologii jsou hematoxylin a eosin (H&E). Každá z těchto dvou složek barviva se pokouší specificky charakterizovat různé mikroskopické struktury. Hematoxylin obarví buněčná jádra modře a eosin obarví extracelulární matrici a cytoplazmu růžově, přičemž jiné struktury budou mít různé odstíny a kombinace těchto barev.
Nedávný výzkum odhaluje velké neshody mezi jednotlivými odborníky. Jednou z hlavních obtíží v histologické kvantitativní analýze je variabilita vzhledu způsobená barvením. Proto se zavádějí různé postupy sjednocení vzhledu barvených histologických obrazů. Tento postup se nazývá normalizace skvrn a je to důležitý úkol pro systémy počítačem podporované diagnostiky v moderní digitální histologii. Hluboké učení je velice úspěšné v procesu normalizace skvrn, když snižuje barevné a intenzitní variace přítomné na obrazech obarvených v různých laboratořích.
Projekt normalizace histologických H&E obrazů a digitálního oddělení složek hematoxylinu a eosinu metodou hlubokého učení je napsaný v jazyce python a používá funkce z knihovny numpy.
Vstupní data zde představuje histologický H&E obraz.
Výstupními daty jsou:
Tyto obrazy pomáhají odborníkům provádět správnou histologickou kvantitativní analýzu a další podrobné zkoumání.
Perspektivy dalšího rozvoje:
Manažerský informační systém (MIS) je postaven na softwarových produktech firmy Microsoft. Je naplněn anonymizovanými daty z reálného zdravotního prostředí. Tato data jsou uložená v databázovém systému SQL Server 2017.
Základem aplikace MIS je analytický nástroj Analysis Services 2017 s architekturu MOLAP, reportovací nástroj poskytuje Reporting Services 2017, vývojové prostředí poskytuje Visual Studio 2017 a internetový server sestav poskytuje Reporting Services Web portal 2017.
Lékař se přes internetový prohlížeč připojí do prostředí Reporting Services Web portal 2017, které mu poskytuje sadu manažerských reportů. Tady si z parametrických nabídek vytvoří detailní analytické pohledy na data pacienta. Vestavěné funkce umožňují export takto připravených reportů do formátů Word, Excel nebo PDF.
Technologie MOLAP lékaři umožňuje používat funkci drill down, kde předem připravené struktury umožňují drill na detailní hodnoty v oblastí diagnóz, léků a lékařských výkonů.
V databázovém systému SQL Server 2017 je vytvořen také projekt strojového učení s názvem Length of stay (Délka pobytu), který ukazuje možnosti jazyka R v tomto prostředí.
Projekt pomáhá lékaři odhadnout na základě hodnot ze vstupního vyšetření předpokládanou dobu pobytu pacienta v lékařském zařízení. Na základě této informace může lékař účinně plánovat ošetřující personál, lůžkovou kapacitu, léky a stravu, což má veliký ekonomický přínos.
Nadnárodní společnost Blue Health Intelligence (dále jen BHI):
Spolupráce s nadnárodní společností BHI probíhala v letech 2010-2016.Všechny naše aktivity se řídily národními standardy federálního zákona o přenositelnosti a odpovědnosti v oblasti zdravotního pojištění (HIPPA), které byly zárukou bezpečnosti toku osobních identifikačních údajů o zdravotní péči a zdravotním pojištění.
Inzata, LLC:
Spolupráce s americkou společností Inzata, LLC probíhala v letech 2015-2020.